版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、聚類是分析數(shù)據(jù)并從中發(fā)現(xiàn)有用信息的一種有效手段。聚類可以將對象數(shù)據(jù)分組成為若干個簇,使同一個簇中的對象之間的相似度較高,而不同簇中的對象之間差別很大。通過聚類,可以發(fā)現(xiàn)全局的分布模式以及數(shù)據(jù)屬性之間有趣的相互關(guān)系。近幾年來,聚類技術(shù)已經(jīng)成為數(shù)據(jù)挖掘的主要方法之一。
群體智能是一種新興演化計算技術(shù),用于數(shù)據(jù)分析時,會繼承生物系統(tǒng)良好的處理機(jī)制和特征。它與人工生命,特別是進(jìn)化策略和遺傳算法有著極為特殊的聯(lián)系,已完成的理論和應(yīng)用研究
2、表明群體智能方法是一種能夠有效解決大多數(shù)全局優(yōu)化問題的新方法。
本論文主要是針對群體智能的特點(diǎn),以傳統(tǒng)的聚類分析問題為主要研究對象,對蟻群優(yōu)化算法、粒子群優(yōu)化算法的理論進(jìn)行了研究和算法改進(jìn),并利用改進(jìn)的算法來解決聚類分析問題。研究表明,基于群體智能優(yōu)化的聚類分析方法收斂速度快、適應(yīng)性強(qiáng),比一般的聚類分析方法能更好地揭示數(shù)據(jù)之間的相關(guān)性,為提高數(shù)據(jù)聚類的質(zhì)量和效率提供了有利保障。
主要研究內(nèi)容如下:
1、對蟻
3、群聚類算法的參數(shù)設(shè)置、適應(yīng)度函數(shù)進(jìn)行了改進(jìn),引入了多主體的思想,提出了改進(jìn)的多主體的螞蟻聚類算法,并對算法的相似度函數(shù)和時間復(fù)雜性進(jìn)行了分析。在算法中,一個主體螞蟻代表一個數(shù)據(jù)對象,根據(jù)它與鄰域空間中的主體螞蟻的相似度函數(shù)和轉(zhuǎn)換概率函數(shù)來確定下一個移動位置,同時依照聚類規(guī)則集合動態(tài)更新其類號。主體螞蟻的移動使得它與鄰域內(nèi)的對象相互影響、相互作用,僅利用少量的局部鄰域信息,經(jīng)過一定次數(shù)的迭代后就可以較快較好的形成聚類。實(shí)驗(yàn)表明多主體的螞蟻
4、聚類算法具有較快的搜索速度,其聚類結(jié)果明顯優(yōu)于改進(jìn)的K-Means聚類算法。
2、在介紹分析粒子群優(yōu)化算法的基礎(chǔ)上,吸收并借鑒當(dāng)前的研究成果,提出了一種多種群協(xié)同進(jìn)化的混合粒子群聚類算法。將協(xié)同進(jìn)化思想引入粒子群聚類算法中。將整個種群分解為多個子種群,各子種群獨(dú)立進(jìn)化,間隔一定迭代次數(shù)后,實(shí)施子種群之間的信息交換:將一個子種群中的最好解發(fā)送至相鄰子種群,取代其中適應(yīng)值最差的粒子。算法充分利用了PSO全局尋優(yōu)的優(yōu)點(diǎn)K-means
5、局部尋優(yōu)的特點(diǎn),在找到最優(yōu)劃分的同時使得劃分結(jié)果更精確。算法能夠自動確定聚類數(shù)目,且聚類結(jié)果不受初始聚類中心的影響。通過以上的改進(jìn)提高算法的性能。
3、為使聚類算法的結(jié)果更具有實(shí)際意義,提出了基于距離對稱性的PSO聚類算法,用于對有對稱性的數(shù)據(jù)集的聚類劃分。在介紹了距離對稱性的相關(guān)概念后,給出了基于距離對稱性的相似度函數(shù),在此基礎(chǔ)上,提出了基于距離對稱性的粒子群聚類算法。最后通過實(shí)驗(yàn)用不同的方法對四組數(shù)據(jù)集分別進(jìn)行了測試。實(shí)驗(yàn)
6、結(jié)果說明了算法的有效性,充分考慮到了對稱性對聚類結(jié)果的影響,使得聚類結(jié)果更具有實(shí)際意義。
本研究的主要創(chuàng)新點(diǎn)歸納如下:
1、提出一種多主體的改進(jìn)的螞蟻聚類算法,并對算法的相似度函數(shù)和算法復(fù)雜度進(jìn)行了分析。在算法中引入多主體概念,提出了螞蟻聚類的規(guī)則,對相似度函數(shù)的計算公式進(jìn)行了改進(jìn)和分析,另外在參數(shù)的選擇和設(shè)置上也做了部分改進(jìn)。通過該算法不僅可以提高聚類速度,同時會得到較好的聚類劃分結(jié)果。
2、提出一種協(xié)同
7、進(jìn)化的混合粒子群聚類算法。主要是將多種群協(xié)同進(jìn)化的思想引入粒子群聚類分析中,將PSO算法的隨機(jī)搜索策略和K-means方法的局部優(yōu)化能力有效結(jié)合起來。算法能夠自動確定聚類數(shù)目,并且聚類結(jié)果不受初始聚類中心的影響。和其它算法相比,算法收斂速度有所提高,在聚類精度上也有很大的改善。
3、提出了基于距離對稱性的粒子群聚類算法。該算法引入了距離對稱性和基于距離對稱性的適應(yīng)度函數(shù),能夠發(fā)現(xiàn)傳統(tǒng)聚類算法難以發(fā)現(xiàn)的一些特殊形狀的聚類。特別是
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于群體智能優(yōu)化算法的聚類分析研究.pdf
- 基于智能優(yōu)化算法的聚類分析及應(yīng)用.pdf
- 基于聚類分析的中職學(xué)校智能教材管理系統(tǒng).pdf
- 基于群智能算法的聚類分析方法研究.pdf
- 基于計算智能技術(shù)的聚類分析研究與應(yīng)用.pdf
- 基于聚類分析的論文
- 基于聚類分析和智能優(yōu)化特征選擇的基因微陣列數(shù)據(jù)分類.pdf
- 基于聚類分析和智能優(yōu)化特征選擇的基因微陣列數(shù)據(jù)分類
- 基于聚類分析的洪水預(yù)報研究.pdf
- 基于群體智能優(yōu)化的大數(shù)據(jù)復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)分析.pdf
- 基于Voronoi的平面數(shù)據(jù)的聚類分析.pdf
- 模糊聚類分析在智能油藏表征中的應(yīng)用.pdf
- 基于聚類分析的船舶碰撞結(jié)果分析.pdf
- 群體智能算法的評估與分析.pdf
- 基于聚類分析的基金公司用戶價值分析.pdf
- 基于聚類分析的Web服務(wù)管理.pdf
- 智能算法在聚類分析中的應(yīng)用研究.pdf
- 基于混合多指標(biāo)信息的聚類分析.pdf
- 基于聚類分析的專家分類方法研究.pdf
- 基于聚類分析的母線負(fù)荷預(yù)測研究.pdf
評論
0/150
提交評論